周梓鋆

［摘 要］機(jī)器學(xué)習(xí)算法在金融市場的風(fēng)險分析與預(yù)測中的應(yīng)用是一種通過收集利用相關(guān)數(shù)據(jù)集來分析并預(yù)測未來結(jié)果的技術(shù)。這種方法的主要目標(biāo)是在數(shù)據(jù)集中找到最匹配的模式和發(fā)展趨勢，用于預(yù)測未來的事件或結(jié)局。金融市場上的每筆交易都有虧損的概率，這種風(fēng)險可以通過各種參數(shù)譬如波動性、相關(guān)性等來量化。其中最重要的參數(shù)是價格變動率，也稱為波動率或風(fēng)險溢價。金融市場參與者一直在尋找預(yù)測這些風(fēng)險并從中獲利的方法。金融市場的形勢證明，機(jī)器學(xué)習(xí)算法在該領(lǐng)域已經(jīng)被用于預(yù)測未來價格，具有較高的準(zhǔn)確性和效率。它能夠幫助交易者找到最佳的交易策略，幫助參與者以較少的損失從投資中獲得最大的利潤，能夠根據(jù)歷史和統(tǒng)計數(shù)據(jù)幫助投資者做出更好的決策。

［關(guān)鍵詞］機(jī)器學(xué)習(xí)算法； 金融市場；金融風(fēng)險預(yù)測

［中圖分類號］F8文獻(xiàn)標(biāo)志碼：A

實體經(jīng)濟(jì)的發(fā)展離不開金融市場的推動。企業(yè)發(fā)展需要資金，資金可以由金融市場提供，這叫融資；對于資金充足、流動性充足的機(jī)構(gòu)，可以選擇銀行、基金管理機(jī)構(gòu)或企業(yè)作為投資的一方。融資與投資，前者是資金的需求方，后者是資金的提供者。需求和供給通過利率達(dá)到平衡。因此，在金融市場上，一般的運作方式是“投資機(jī)構(gòu)或個人—投融資市場—融資機(jī)構(gòu)或個人”。流動性充足的貨幣在其中發(fā)揮著巨大作用。

作為融資的市場工具有很多，可以分為直接融資和間接融資。間接融資是指通過向銀行、企業(yè)等金融機(jī)構(gòu)貸款，獲取資金并支付利息的融資；直接融資是指企業(yè)或事業(yè)單位通過發(fā)行股票、債券或證券投資基金籌集資金，因為出資人是投資者，沒有中介機(jī)構(gòu)。關(guān)于金融的定義研究至今，一般認(rèn)為其是“貨幣流通、信貸活動及相關(guān)經(jīng)濟(jì)活動的總稱”，包括信貸、證券、債券、大宗商品、期貨期權(quán)、房地產(chǎn)等。

金融體系目前還沒有公認(rèn)的完善的金融體系模型，體系運行中會存在風(fēng)險。如果不控制金融風(fēng)險，任其發(fā)展，就可能導(dǎo)致經(jīng)濟(jì)危機(jī)或金融危機(jī)。目前，我國面臨的金融風(fēng)險主要源于國際風(fēng)險和國內(nèi)風(fēng)險兩個方面。

1 機(jī)器學(xué)習(xí)算法系統(tǒng)的選擇

機(jī)器學(xué)習(xí)是藝術(shù)化的信息科學(xué)，所有的機(jī)器學(xué)習(xí)算法都沒有普適的解決方案或方法。機(jī)器學(xué)習(xí)算法的選擇受到一些因素的影響。對于一些非常特殊的問題，還需要專門的解決方法。例如，電子商務(wù)應(yīng)用廣泛的推薦系統(tǒng)，即是一個非常常見的機(jī)器學(xué)習(xí)算法。另外一些則非常普遍化，甚至需要錯誤的方法嘗試（如強(qiáng)化學(xué)習(xí)），譬如監(jiān)督學(xué)習(xí)、分類、回歸等，還可以用于異常檢測或建立更廣泛的預(yù)測模型，具體如下公式1、2所示。

此外，在選擇機(jī)器學(xué)習(xí)算法時所做的一些決策與算法的優(yōu)化或技術(shù)水平無關(guān)，更多的是與業(yè)務(wù)決策相關(guān)。接下來，將圍繞哪些因素可以幫助縮小機(jī)器學(xué)習(xí)算法的選擇范圍展開探討。通常情況下，使相同的算法更復(fù)雜會增加擬合的概率。

如圖1所示，K近鄰/均值算法（K-means算法）是一種常用的無監(jiān)督聚類機(jī)器學(xué)習(xí)算法。無監(jiān)督機(jī)器學(xué)習(xí)算法能將金融風(fēng)險劃分為相關(guān)的簇群，有助于根據(jù)金融風(fēng)險集群中共同的風(fēng)險因子預(yù)測他們的發(fā)展趨勢。使用K-means算法的關(guān)鍵是通過迭代選取簇群的數(shù)量：太少的簇會無法區(qū)別不太類似數(shù)據(jù)，太多的集群則會使模型復(fù)雜和不準(zhǔn)確［1］。

除聚類算法外，無監(jiān)督學(xué)習(xí)還可以進(jìn)行降維處理。對于特性多而不明顯的數(shù)據(jù)集，可以使用降維處理發(fā)現(xiàn)其本質(zhì)特征。通常認(rèn)為數(shù)據(jù)量越大越有用，但事實并非如此。大數(shù)據(jù)量對應(yīng)函數(shù)數(shù)量的增加，反而需要更大的樣本集來模擬訓(xùn)練機(jī)器學(xué)習(xí)模型。一旦沒有足夠的樣本來訓(xùn)練這些大量的模型，加上過多的函數(shù)也會增加過度擬合的機(jī)會，那么即使AI模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，分析預(yù)測也不一定可靠［2］。

無監(jiān)督機(jī)器學(xué)習(xí)算法可以分析數(shù)據(jù)，例如簇列表，通過降維算法運行后，找到不相關(guān)的特征，刪除這些特征就可以簡化模型。

人工神經(jīng)網(wǎng)絡(luò)算法，是一種模擬生物神經(jīng)網(wǎng)絡(luò)的模式匹配算法，能解決復(fù)雜的分類回歸問題。人工神經(jīng)網(wǎng)絡(luò)算法有感知器神經(jīng)網(wǎng)絡(luò)、反向傳遞、Hopfield網(wǎng)絡(luò)、自組織映射等。

遺傳算法模擬生物進(jìn)化的突變和適者生存的自然選擇機(jī)制，向量的組成元素類比于基因，并利用目標(biāo)函數(shù)對其進(jìn)行評價，根據(jù)評價值對樣本群體進(jìn)行選擇、交換、變異等遺傳性操作，從而得到新的群體。遺傳算法適用于帶有大量噪聲和無關(guān)數(shù)據(jù)的復(fù)雜金融市場環(huán)境［3］。

隨機(jī)森林算法可以看作一個決策樹的分類集合，隨機(jī)森林中每棵決策樹都會通過“投票”來估計下一個分類，從而選擇最多投票的分類。隨機(jī)森林算法的流程如下圖2所示。

3 金融市場分析與預(yù)測的必要性

眾所周知，金融環(huán)境的變化與金融創(chuàng)新密切相關(guān)。隨著信息、科技進(jìn)步推動金融創(chuàng)新的快速變化，金融環(huán)境的復(fù)雜性和可變性迅速增加。金融創(chuàng)新的不斷涌現(xiàn)，增加了以商業(yè)銀行為主體的金融機(jī)構(gòu)之間、金融行業(yè)之間甚至國際金融行業(yè)間的競爭。商業(yè)銀行要想在競爭中生存、發(fā)展、成長，在競爭中脫穎而出，就必須創(chuàng)新思維，尋求新的利潤盈利點和收入生長點。此時，高收益、低風(fēng)險、低成本的普惠金融成為新的中間業(yè)務(wù)，各類銀行非銀行金融機(jī)構(gòu)都開始重視此業(yè)務(wù)基點。新時期商業(yè)銀行之間的競爭集中在中間普惠金融業(yè)務(wù)的激烈競爭上。各大商業(yè)銀行制定業(yè)務(wù)競爭戰(zhàn)略所要解決的首要問題就是大力開展中間業(yè)務(wù)的創(chuàng)新。

金融產(chǎn)品創(chuàng)新增加了中間普惠金融業(yè)務(wù)的收入，提高了資本充足率，推進(jìn)了利率、匯率的市場化。然而，這同時也帶來了更加復(fù)雜、更難以處理的風(fēng)險，如法律風(fēng)險、信用風(fēng)險、操作風(fēng)險等。實踐證明，風(fēng)險程度跟中間業(yè)務(wù)種類呈正相關(guān)，但企業(yè)更重視中間業(yè)務(wù)創(chuàng)新而風(fēng)險防范意識不夠。這種失衡勢必會給商業(yè)銀行的經(jīng)營管理帶來巨大的隱患。因此，為了保持普惠金融業(yè)務(wù)發(fā)展的勢頭和穩(wěn)定性，防范商業(yè)銀行潛在的業(yè)務(wù)經(jīng)營風(fēng)險和隱患，必須將中間普惠金融業(yè)務(wù)創(chuàng)新的風(fēng)險防范提升到企業(yè)戰(zhàn)略高度。

4 機(jī)器學(xué)習(xí)算法在金融市場風(fēng)險分析與預(yù)測中的應(yīng)用

基于機(jī)器學(xué)習(xí)算法，運用大數(shù)據(jù)分析，可以預(yù)測出我國部分資本價格偏高和面臨泡沫破裂的危機(jī)。大部分城市房價過高，住房供過于求，很多股票估值過高，金融資產(chǎn)出現(xiàn)泡沫。如果不對這些現(xiàn)象加以控制，資產(chǎn)泡沫就會擴(kuò)大和破裂，與房地產(chǎn)和股票市場相關(guān)的信貸和抵押就會成為壞賬，容易導(dǎo)致多米諾骨牌效應(yīng)的全國性金融行業(yè)崩潰，供需失衡導(dǎo)致產(chǎn)能過剩危機(jī)，實體經(jīng)濟(jì)會面臨諸多困難和問題，如全球原材料價格普遍連續(xù)上漲、高端制造業(yè)被“卡脖子”等問題、外需總量下降、跨境貿(mào)易運輸成本變高等。這使得我國制造業(yè)的利潤率持續(xù)下降，并面臨整體產(chǎn)能過剩的風(fēng)險。制造業(yè)的低利潤使得自然追求增值和保值的金融資本逃離實體經(jīng)濟(jì)，轉(zhuǎn)向虛擬經(jīng)濟(jì)，從而促進(jìn)了高風(fēng)險的“影子銀行”的發(fā)展。機(jī)器學(xué)習(xí)對供應(yīng)鏈金融線的預(yù)測如圖3所示。

互聯(lián)網(wǎng)金融的發(fā)展加劇了金融風(fēng)險，因此必須為互聯(lián)網(wǎng)金融建設(shè)建立風(fēng)險預(yù)警系統(tǒng)，以便科學(xué)地監(jiān)測和防范各類金融風(fēng)險。必須高度系統(tǒng)化地覆蓋互聯(lián)網(wǎng)金融的各個方面。在這個過程中，需要考慮各種交易行為的影響面，嚴(yán)密把握輿論導(dǎo)向。

互聯(lián)網(wǎng)金融數(shù)據(jù)與傳統(tǒng)金融數(shù)據(jù)服務(wù)不同，其更新和發(fā)展非常迅速。在構(gòu)建風(fēng)險預(yù)警系統(tǒng)的過程中，需要考慮其及時性，實時監(jiān)控各類互聯(lián)網(wǎng)的財務(wù)風(fēng)險，對風(fēng)險類型做出清晰的判斷，將金融市場風(fēng)險的危害降到最低。構(gòu)建基于大數(shù)據(jù)的互聯(lián)網(wǎng)財務(wù)金融風(fēng)險預(yù)警機(jī)制，不僅要結(jié)合企業(yè)與市場，還要考慮系統(tǒng)的可操作性，規(guī)避各類技術(shù)問題，使其能夠安全穩(wěn)定可靠地運行。對于大數(shù)據(jù)的管理，風(fēng)險預(yù)測必不可少，而且必須使其操作更加便捷。

5 結(jié)論

機(jī)器學(xué)習(xí)是計算機(jī)科學(xué)的一個分支，它涉及從數(shù)據(jù)中學(xué)習(xí)的算法的開發(fā)。機(jī)器學(xué)習(xí)目前已在許多不同的領(lǐng)域中得到應(yīng)用，如圖像識別、語音識別和自然語言處理。金融市場在我國從有到無，從簡單到復(fù)雜，再到互聯(lián)網(wǎng)金融時代，金融風(fēng)險也是日益復(fù)雜、難以預(yù)測。預(yù)測方法從簡單的數(shù)理統(tǒng)計、到計量分析，這些都無法跟上大數(shù)據(jù)時代的變化，基于人工智能的機(jī)器學(xué)習(xí)分析預(yù)測方法應(yīng)運而生。

機(jī)器學(xué)習(xí)算法利用價格和交易量的歷史數(shù)據(jù)，通過對過去市場行為的統(tǒng)計分析，模擬各種市場變動的可預(yù)測因素以及不可預(yù)測因素，可以較為準(zhǔn)確地預(yù)測未來的價格趨勢和發(fā)展趨勢。個體投資者和機(jī)構(gòu)投資者應(yīng)用機(jī)器學(xué)習(xí)算法，根據(jù)歷史數(shù)據(jù)預(yù)測未來價格趨勢，能夠更好地進(jìn)行投資決策。國家各級政府和專業(yè)機(jī)構(gòu)部門如財政部、銀監(jiān)局、大數(shù)據(jù)局、稅務(wù)局等部門，可以通過運用機(jī)器學(xué)習(xí)算法實現(xiàn)信息共享、共同決策，為穩(wěn)定金融市場、促進(jìn)金融市場發(fā)展制定穩(wěn)健適當(dāng)?shù)呢斦?、金融、貨幣等政策?/p>

參考文獻(xiàn)

［1］機(jī)器學(xué)習(xí)：有監(jiān)督和無監(jiān)督之間有什么區(qū)別［EB/OL］. （2020-06-03）. http：//www.sohu.com/a/399443513_185201.

［2］李明. 基于網(wǎng)絡(luò)行為分析的未知惡意代碼檢測系統(tǒng)的研究與實現(xiàn)［D］. 成都：電子科技大學(xué)，2009.

［3］趙永良，付鑫，郭陽，邊迎迎，王思寧. 基于深度學(xué)習(xí)和圖像識別的電力配件智能出入庫［J］. 中國電力，2021，54（3）：55-60.